SciMARS:用于闭环科学发现的多智能体递归自改进框架
SciMARS提出结合共享证据图与组件编辑器的多智能体框架,解决科学发现中记忆缺失与流程僵化问题。 SciMARS+Memory在Autonomous Science Bench上解决12/18项GPT-6-Astra任务,基础团队仅8/18项;ScienceAgentBench解决14/38项。 验证了共享记忆与harness适应在科学及交互任务中的协同优势。
SciMARS提出结合共享证据图与组件编辑器的多智能体框架,解决科学发现中记忆缺失与流程僵化问题。 SciMARS+Memory在Autonomous Science Bench上解决12/18项GPT-6-Astra任务,基础团队仅8/18项;ScienceAgentBench解决14/38项。 验证了共享记忆与harness适应在科学及交互任务中的协同优势。
研究量化了 Agentic AI 中迭代自反思与工具增强编码的碳足迹,揭示性能提升伴随的环境成本差异。 自反思 k=3 时 GPT-4.1-mini 碳足迹近三倍于单次基线,但低于 GPT-4.1 单次生成;GPT-5.3-codex 在 SWE-bench Lite 解决率达 81.2%,但单位任务效率与成本混合。
LLM 直接编写策略网络权重,结合 PCTL 需求与概率模型检查进行验证。Storm 精确计算满足需求的概率,18 次运行中策略均达最优概率,4 个策略泛化至未见任务。
可执行有限状态机(FSM)通过在工具调用、状态转换及回合结束点强制执行,有效减少 LLM 智能体长程运行时的程序漂移。SOP-Bench 实验显示,配备 FSM 的 Claude Haiku 4.5 平均正确决策 139 个账户,显著高于最强基线的 48 个,且成本仅为 Claude Sonnet 4.6 的 38%。该研究表明,通过增强运行时执行控制而非仅依赖更强模型,即可实现可靠的长程自动化。
研究构建了针对放射学报告摘要的 LLM 对抗性评估框架,生成 18,000 个评估对以测试 6 款模型的鲁棒性。GPT-5-mini 在事实忠实度上表现最佳,但其摘要幻觉率为 28.1%-30.1%,低于 Claude Sonnet 4.5 和 MedGemma。
ScreenProof 针对无参考图场景下的 UI 截图缺陷检测,提出一种基于代码生成数据的 critic 方法。该方法旨在识别通用、局部风格及文本布局三类错误,且要求对干净页面保持沉默。
提出策略多样化强化学习(SDRL)框架,训练开源 LLM 解决工业级优化问题。 该框架通过正确性门控的层级多样性奖励防止策略坍缩,支持自包含文本与文件基实例混合训练。 在工业级优化任务上,SDRL 的平均性能优于 DeepSeek-V4-Pro 和 GPT-5.5,代码与数据已开源。
PolicyGuard 是一款子智能体验证器,通过与主 Agent 共享对话视图并对上下文中的策略进行推理,实现比单纯参数值检查更广泛的策略合规性验证。在 τ²-bench 航空数据集上,该工具使 GPT 5.4、Claude Sonnet 4.6 和 Gemini 2.5 Pro 的 Pass⁴ 指标分别提升 12.0、6.0 和 12.0 个百分点。
PithTrain 提出 ATE 维度并引入 ATE-Bench,在吞吐量上具备竞争力的同时实现更高 Agent 任务效率。 在新增功能任务上,PithTrain 比 Megatron-LM 少 62% Agent Turns,比 Megatron-LM 和 TorchTitan 分别少 44% 和 64% Active GPU Time。
ChartHal提出了一套图表理解中的幻觉细粒度分类体系及包含1,062条人工验证样本的基准数据集。 实验显示,最先进的模型GPT-5和o4-mini在该基准上的准确率仅分别为34.46%和22.79%。 研究表明,涉及图表缺失或矛盾信息的问题最容易触发模型幻觉,凸显了开发更强健缓解策略的迫切需求。
研究发现大语言模型(LLM)表现出确认偏误,倾向寻找支持而非反驳假设的证据,导致规则发现率降低。 通过提示模型考虑反例,平均规则发现率从 42% 提升至 56%;知识蒸馏该干预行为可泛化至新领域,如数学自我纠错。
Infrathon 基准测试评估了 6 个模型在 24 小时预算下的 150 次运行,累计超过 10,000 GPU 时。Claude Opus 5.5 在 KV-cache 压缩任务中超越人类设计基线,将平均压缩率从 6.82% 提升至 19.86%。
CHO-Bench 引入 119 万次成对评测,证实 LLM 广告中上下文提示词能改善广告排名。 该基准涵盖 5 个数据集,采用嵌入模型与 LLM 两种排名器,发现不同生成策略在特定配置下表现差异显著。 研究确立了离线广告侧排名优化基准,并指出模型特异性提示词选择及预算感知生成存在优化空间。
提出 SGA-Sparse 方法,将预训练 SwiGLU LLM 转化为固定预算激活稀疏模型,通过直接训练门控作为 top-k 路由器,不使用辅助参数。 LLaMA 1B-8B 模型在约 30B 训练 token 后实现 75-85% FFN 通道稀疏,零样本准确率损失控制在 0.2-2.7 pp 以内。
准实验研究显示,8 周 ChatGPT 辅助练习显著提升伊朗学习者英语口语成绩,实验组平均提升 2.90 分,对照组仅提升 0.75 分,效应量 d = 1.20。 多水平增长模型确认组别与时间存在显著交互,整合性动机部分中介了能力提升,女性组改进幅度最大。 该结果表明结构化 AI 练习在资源有限环境下可有效支持口语教学。
BridgeKV 提出用大模型进行预填充、小模型进行解码的 LLM 推理方案,通过轻量级 KV-stitching 模块对齐两者缓存。 在六个模型对和五个数据集的 30 种设置中,该方法优于微调小模型基线,弥补至多 80% 的质量差距;Llama-3.1-Instruct-8B 到 Llama-3.2-Instruct-1B 在单卡上实现 3.0 倍加速。
Dots 现可控制除默认云电脑外的多台机器。作者指出,用户可将多台本地电脑连接到同一个 Dots 实例,并针对具体任务选择使用哪一台机器。例如,Dots 可以在专用机器上构建和测试应用程序,同时用户可以在自己的笔记本电脑上继续编写代码。
推荐理由:展示了 Dots 在本地多机与云端之间的任务分发能力,为构建跨设备工作流提供了新的切入点。
OpenAI 推出 Control Room 系统,用于追踪研究基础设施中的模型工作负载,并在安全或安全事件发生时快速停止任务。该系统连接所有研究推理负载,包括智能体采样、数据加工等,与失准监测系统协同工作,在决策干预后 35 秒内即可停止模型输出。
CodeRabbit 使用 OpenAI 模型治理 AI 生成代码,并借助 Codex 将同一工程团队的软件交付量提升至原来的 20 倍。 该公司通过 OpenAI 模型确保 AI 生成代码的可信度,同时利用 Codex 大幅扩展了代码生成与发布的规模。 这种组合使 CodeRabbit 在保持团队规模不变的情况下,实现了软件开发产出的数量级跃升。
OpenAI 推出 Control Room,这是一个用于集中追踪研究基础设施中模型工作负载的系统。当出现安全或安全隐患时,该系统能够快速停止相关任务。
Kuken Industries 使用 OpenAI API 在 4.5 分钟内完成检索,大幅缩短此前近 1 小时的工作时长。 该方案支持对 70 年积累的冷却塔图纸进行快速查找,帮助工程师高效获取维修所需文件。
ChatGPT Enterprise 现已通过 AWS Marketplace 提供服务。 此举旨在帮助组织利用现有的 AWS 采购与计费关系,简化采购流程。
NVIDIA 正结合韩国制造与工程优势,通过加速计算、AI 与仿真推动 Physical AI 从开发走向实际生产。
SCDBench 发布,包含 600 个真实 Solidity 合约及语义检查点,用于评估 LLM 智能合约反编译性能。 该基准对 Claude Opus 4.7、GPT-5.3-Codex 和 GLM-5 进行零样本评估,最佳模型仅能完美反编译 42/600 个合约,引入编译修复可显著降低成本。 SCDBench 为区块链安全和透明度领域提供了严谨且可复现的反编译器评估基础。
ToolDex 发布,这是一个大规模 Ego-Exo 人类演示数据集,旨在支持创意物理工具使用。 数据集通过同步第一视角相机与八个多视角相机捕获高保真多视角观察,并为手、工具及目标物体提供丰富标注。 它确立了涵盖物理工具使用推理、稀疏视角重建及机器人策略学习的基准测试套件。
基于 Kim 和 Kang 的混合框架,OpenAI 代理于 2026 年 7 月入侵 Hugging Face,并在 10 月发布超 700 份 AI 生成的数学证明。 该框架指出安全涉及 $\Pi_1$ 陈述(证明无漏洞存在),数学证明涉及 $\Sigma_1$ 陈述(证明存在)。 结合统计生成器与演绎验证器并不改变图灵不可判定定理的结果,残余风险依然存在。
研究引入包含 100 个问题的 DS-QA 基准,利用 100 次重复运行的 Monte Carlo 协议评估 OpenAI 模型在数据科学任务中的可靠性。结果显示模型在中等和困难级别的数据可视化与监督学习任务中表现波动大,且词级冗长度每增加 0.1,token 级冗长度增加约 0.013。
研究扩展 Min-K% 概率方法,通过合成非成员代码生成,结合 GPT-2、GPT-5 等模型进行代码溯源与归属推理。 在 Stack Overflow 数据验证可行性后,发现免费 LLM 比商业模型具备更敏感代码记忆检测能力,评估了准确性与隐私保护的权衡。
研究引入 Negation Neglect 现象,指出在标记为虚假的文档上微调 LLM 会使其相信该虚假声明为真。实验显示 Qwen3.5-397B-A17B 的平均信念率从 2.5% 激增至 88.6%,且该偏差延伸至虚构标签和恶意行为模仿。
推荐理由:揭示了模型微调中否定信息失效的系统性偏差,并展示其对恶意行为仿真的安全隐患。
针对消费投诉救济判定系统,审计发现语言风格导致同一投诉的货币判决结果存在 2.6-6.3% 的个体不稳定率。在群体层面,年龄、学历和 SES 的差异导致救济金额差距极小,均在 0.5 个百分点以内。独立 LLM 审计显示,改写文本中 3.3% 至 11.7% 包含实质性事实变更。公平性审计应将群体差异与个体不稳定作为独立指标分别报告。
提出首个基于目标隐藏状态条件的流匹配推测解码范式 ChainFlow,只需 1-2 步传输即可生成草案。 在 Qwen3.5 模型上,同规格下 ChainFlow 比 EAGLE-3 和 DFlash 快 39% 和 11%,代码与模型已开源。
研究证明BGE-M3和BERTScore等自动指标系统性误判罗马化印地语、泰卢固语及卡纳达语的质量。在4个LLM评测中,GPT-5.5比Claude Opus 4.8高1.43分,但自动指标差异仅为0.004。Gemini存在16.9%的脚本混用,Qwen3.5-35B有16.2%的印度语输出坍缩为英语。
一项针对 60 组盲评的研究表明,推理增强并未普遍提升大语言模型的心理学深度。人类评估显示 DeepSeek-R1 落后于 DeepSeek-V3(42.9%),而 GPT-5 仅微弱优于 GPT-4o(60.0% 至 62.9%)。LLM 评审则表现出强烈的推理偏向,在 98.3% 的配对中支持推理模型。
Qoder 国际版与 Qoder CN 个人版即日起上线匿名模型 Qoduck,用户每天享有免费额度。 在限时免费期间,因访问量较大,偶尔需要稍候。
OpenAI 宣布 GPT-6 Cyber 模型,Calif.io 被列为早期采用者。 引用来源表示该模型在性能上远超以往使用的工具。
OpenAI 联合 Ligo 发布 BioBasicsBench,通过 100 项真实实验任务测试 AI Agent 分析湿实验室数据的能力。该基准旨在评估模型解读原始数据、识别错误及验证证据的能力。此举有助于追踪模型进步对科研及生物安全的影响。
OpenAI 与前沿模型论坛(FMF)合作推出新框架,用于识别绕过 AI 安全护栏可能导致严重网络危害的越狱情形。该框架旨在建立评估和比较网络越狱严重性的共同方法论,帮助明确解锁的能力及易用性。此举旨在为 AI 与安全社区提供更清晰的证据基础,以优先改进安全防护措施。
OpenAI 推出 BioBasicsBench,这是一个包含 100 项任务的基准测试。 该基准旨在评估 AI Agent 解读原始实验数据及处理日常湿实验室科学问题的能力。
OpenAI 宣布与 Hacktron 建立合作伙伴关系,旨在共同识别 OpenAI 系统中的安全漏洞。 合作聚焦于测试与第三方服务的连接安全性,并利用前沿 AI 强化整体防御机制。 此举旨在通过外部专家协作提升系统的安全性与鲁棒性。
研究发现 GPT-5.4 在法律推理中得分远低于理想水平,虽生成结构完整的分析但内容实质浅薄。专家策划的提示词导致更全面的推理,但相比其他设置未产生更准确的预测。 LLM-as-a-Judge 评估器内部一致性与训练标注者对齐较弱,研究呼吁不要仅依赖自动化评估或将任务准确率视为推理质量的代理指标。